与超导体相比，拓扑材料具有一些优势，如抗干扰性强。为了达到无耗散的电子状态，一个关键的途径是所谓的"磁接近效应"，当磁力稍微渗透到拓扑材料的表面时，就会发生这种效应。然而，观察临近效应一直是个挑战。
麻省理工学院机械工程博士生陈占涛（音译）说，"问题是，人们正在寻找的表明存在这种效应的信号通常太弱，无法用传统方法进行确凿的检测。"这就是为什么一个科学家团队--位于麻省理工学院、宾夕法尼亚州立大学和国家标准与技术研究所--决定尝试一种非传统的方法最终产生了令人惊讶的好结果。
在过去的几年里，研究人员依靠一种被称为偏振中子反射仪（PNR）的技术来探测多层材料的深度相关的磁性结构，以及寻找诸如磁接近效应等现象。在PNR中，两个具有相反自旋的偏振中子束被从样品中反射出来，并在一个探测器上收集。"如果中子遇到一个磁通，比如在磁性材料内部发现的磁通，它具有相反的方向，它将改变其自旋状态，导致从自旋上升和自旋下降的中子束中测量到不同的信号，"材料科学和工程博士Nina Andrejevic解释道。因此，如果一个通常非磁性材料的薄层--紧挨着磁性材料放置--显示出被磁化，就可以检测到磁接近效应。
但是这种效应非常微妙，只延伸了大约1纳米的深度，当涉及到解释实验结果时，可能会出现含糊不清的情况和挑战。领导该研究小组的核科学与工程系Norman C. Rasmussen职业发展教授李明达（音译）指出："通过将机器学习引入我们的方法，我们希望能更清楚地了解发生了什么。这一希望确实得到了证实，研究小组的发现于2022年3月17日发表在《应用物理评论》上。"
研究人员调查了一种拓扑绝缘体--一种在内部是电绝缘的，但在表面可以传导电流的材料。他们选择关注一个由拓扑绝缘体硒化铋（Bi2Se3）和铁磁绝缘体硫化铕（EuS）组成的层状材料系统。Bi2Se3本身是一种非磁性材料，因此磁性的EuS层主导了两个偏振中子束测量的信号之间的差异。然而，在机器学习的帮助下，研究人员能够识别并量化对PNR信号的另一个贡献--在Bi2Se3与相邻的EuS层的界面上诱导的磁化。Andrejevic说："机器学习方法在从复杂的数据中引出潜在的模式方面非常有效，使我们有可能辨别出PNR测量中像邻近磁化那样的微妙影响。"
当PNR信号第一次被送入机器学习模型时，它是非常复杂的。该模型能够简化这一信号，使接近效应被放大，从而变得更加显眼。利用PNR信号的这种简化表示，该模型然后可以量化诱导磁化--表明是否观察到磁接近效应--以及材料系统的其他属性，如组成层的厚度、密度和粗糙度。
通过人工智能更好地辅助观察
"我们已经减少了以前分析中出现的模糊性，这要归功于使用机器学习辅助方法实现的分辨率翻倍，"参与这项研究的本科生研究人员Leon Fan和Henry Heiberger说。这意味着他们可以在0.5纳米的长度尺度上辨别材料特性，这是接近效应的典型空间范围的一半。这就好比从20英尺外看黑板上的文字，却无法看清任何文字。但是如果你能把这个距离减少一半，你可能就能看清所有内容。
通过对机器学习的依赖，数据分析过程也可以大大加快。该框架已被安装在几条反射仪光束线上，以支持更广泛类型的材料分析。
一些外部观察家赞扬了这项新的研究--它是第一个评估机器学习在识别接近效应方面的有效性的研究，也是第一批用于PNR数据分析的基于机器学习的软件包之一。加州大学洛杉矶分校电气工程系特聘教授兼雷神讲座教授Kang L. Wang说："Andrejevic等人的工作为捕捉PNR数据中的精细细节提供了另一种途径，显示了如何能够持续实现更高的分辨率。"
明尼苏达大学麦克奈特大学特聘教授Chris Leighton评论说："这确实是一个令人兴奋的进步。他们新的机器学习方法不仅可以大大加快这一过程，而且可以从现有数据中挤出更多的材料信息"。
由麻省理工学院领导的小组已经在考虑扩大他们的研究范围。"磁接近效应并不是我们唯一关心的弱效应，"Andrejevic说。"我们开发的机器学习框架很容易转移到不同种类的问题上，比如超导接近效应，这在量子计算领域是很有意义的。"
